# 1.坑1：
执行以下命令，在 ROS 2 构建环境中 安装 ultralytics：
source install/setup.bash
pip install ultralytics这会确保你在构建后的隔离环境下也能访问 ultralytics。
# 2.坑2：
报错
ImportError: /usr/lib/aarch64-linux-gnu/libgomp.so.1: cannot allocate memory in static TLS block这个错误来自于 Python 动态库（如 ultralytics/YOLO）在加载 OpenMP 并使用 Tensor 运算时，和 ROS 2 中的 rclpy 初始化过程发生冲突。它是 Jetson 和 ROS 2 中运行 YOLO 模型经常遇到的问题。
# ✅ 解决方案：在 Python 脚本开头延迟导入 YOLO 模块
你现在是这样写的（错误）：
from ultralytics import YOLO请将这句移动到 predict_with_centerline() 函数内部，比如这样👇：
# ⚠️ 原因解释：
Jetson 上的 ultralytics 使用了 PyTorch（底层调用 OpenMP 多线程库），而 ROS 2（尤其是 rclpy）使用了某些早期加载的 C 扩展，这会导致 static TLS block 内存冲突。推迟导入 YOLO 库就可以绕开这个问题。
# 3.加速方式:
# ✅ 什么是 TensorRT？
TensorRT 是由 NVIDIA 提供的 高性能深度学习推理加速库，用于在 NVIDIA GPU 上 运行已训练好的模型（推理），特点是：
| 特性 | 说明 |
|---|---|
| 高性能 | 通过图优化、层融合、量化等技术，推理速度比 PyTorch 通常快 2-10 倍。 |
| 低延迟 | 更适合边缘设备（如 Jetson 系列）做实时推理（比如目标检测、语音识别）。 |
| 部署工具 | 支持将 PyTorch、ONNX、TensorFlow 等训练好的模型导出成 .engine 二进制文件用于运行。 |
| 仅用于推理（inference） | 不能训练模型，只能运行已经训练好的模型。 |
# ✅ 什么是 PyTorch？
PyTorch 是一个由 Meta 开发的开源深度学习框架，主要用于：
| 特性 | 说明 |
|---|---|
| 模型训练 | 提供灵活的动态图机制，易于调试和开发，适合研究人员和开发者。 |
| 推理（inference） | 支持模型训练之后直接在同一框架中进行推理（但速度不如 TensorRT）。 |
| 可扩展性 | 可以用于从简单的神经网络到复杂的多模型系统。 |
| 兼容性好 | 与 Python 和生态系统结合紧密。 |
# ✅ PyTorch 与 TensorRT 的区别总结
| 项目 | PyTorch | TensorRT |
|---|---|---|
| 用途 | 训练 + 推理 | 推理（部署） |
| 性能 | 较慢，尤其在 Jetson 设备上 | 非常快，适合边缘设备 |
| 编程友好性 | 非常灵活，适合调试 | 更复杂，需要模型导出 |
| 是否支持训练 | ✅ 是 | ❌ 否 |
| 支持平台 | 所有常见平台 | 仅 NVIDIA GPU 平台 |
| 典型文件 | .pt, .pth |
.engine（从模型导出） |
# ✅ 一个典型流程是：
- 用 PyTorch 训练模型，保存为
.pt文件。 - 用 Ultralytics 或 ONNX 导出工具 把模型转换为 TensorRT
.engine文件。 - 在 Jetson 上用 TensorRT 运行
.engine文件，速度更快、功耗更低。
